使用爬蟲(chóng)時(shí)，大部分網(wǎng)站都有一定的反爬措施，有些網(wǎng)站會(huì)限制每個(gè) IP 的訪問(wèn)速度或訪問(wèn)次數(shù)，超出了它的限制你的 IP 就會(huì)被封掉。對(duì)于訪問(wèn)速度的處理比較簡(jiǎn)單，只要間隔一段時(shí)間爬取一次就行了，避免頻繁訪問(wèn)；而對(duì)于訪問(wèn)次數(shù)，就需要使用代理 IP 來(lái)幫忙了，使用多個(gè)代理 IP 輪換著去訪問(wèn)目標(biāo)網(wǎng)址可以有效地解決問(wèn)題。

目前網(wǎng)上有很多的代理服務(wù)網(wǎng)站提供代理服務(wù)，也提供一些免費(fèi)的代理，但可用性較差，如果需求較高可以購(gòu)買(mǎi)付費(fèi)代理，可用性較好。

因此我們可以自己構(gòu)建代理池，從各種代理服務(wù)網(wǎng)站中獲取代理 IP，并檢測(cè)其可用性(使用一個(gè)穩(wěn)定的網(wǎng)址來(lái)檢測(cè)，最好是自己將要爬取的網(wǎng)站)，再保存到數(shù)據(jù)庫(kù)中，需要使用的時(shí)候再調(diào)用。

本文介紹的則是構(gòu)建代理 IP 池的第一步：獲取 IP

使用的庫(kù)：requests、pyquery

幾個(gè)能提供免費(fèi)代理的代理服務(wù)網(wǎng)站(排名不分先后)：

廠商名稱

地址

66代理

http://www.66ip.cn/

西刺代理

https://www.xicidaili.com

全網(wǎng)代理

http://www.goubanjia.com

云代理

http://www.ip3366.net

IP海

http://www.iphai.com

快代理

https://www.kuaidaili.com

免費(fèi)代理IP庫(kù)

http://ip.jiangxianli.com

代理服務(wù)網(wǎng)站 Crawler

代理獲取的相關(guān)代碼，把從每個(gè)網(wǎng)站提取 IP 的方法都放到一起，然后運(yùn)行時(shí)只要調(diào)用相關(guān)方法即可

為了實(shí)現(xiàn)靈活，將獲取代理的一個(gè)個(gè)方法統(tǒng)一定義一個(gè)規(guī)范，如統(tǒng)一定義以 crawl 開(kāi)頭，這樣擴(kuò)展的時(shí)候只需要添加 crawl 開(kāi)頭的方法即可

在這里實(shí)現(xiàn)了幾個(gè)示例，如抓取代理 66、西刺代理、云代理、快代理 四個(gè)免費(fèi)代理網(wǎng)站，這些方法都定義成生成器，通過(guò) yield 返回。首先將網(wǎng)頁(yè)獲取，然后用 PyQuery 解析，解析出 IP 加端口形式的代理再返回

crawler.py

import json

import re

from utils import get_page

from pyquery import PyQuery as pq

# 元類(lèi)

class ProxyMetaclass(type):

def __new__(cls, name, bases, attrs):

count = 0

attrs['__CrawlFunc__'] = []

for k, v in attrs.items():

if 'crawl_' in k:

attrs['__CrawlFunc__'].append(k)

count += 1

attrs['__CrawlFuncCount__'] = count

return type.__new__(cls, name, bases, attrs)

class Crawler(object, metaclass=ProxyMetaclass):

def get_proxies(self, callback):

proxies = []

for proxy in eval("self.{}()".format(callback)):

print('成功獲取到代理', proxy)

proxies.append(proxy)

return proxies

def crawl_daili66(self, page_count=4):

start_url = 'http://www.66ip.cn/{}.html'

urls = [start_url.format(page) for page in range(1, page_count + 1)]

for url in urls:

print('Crawling', url)

html = get_page(url)

if html:

doc = pq(html)

trs = doc('.containerbox table tr:gt(0)').items()

for tr in trs:

ip = tr.find('td:nth-child(1)').text()

port = tr.find('td:nth-child(2)').text()

yield ':'.join([ip, port])

def crawl_xicidaili(self):

for i in range(1, 3):

start_url = 'http://www.xicidaili.com/nn/{}'.format(i)

headers = {

'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',

'Host':'www.xicidaili.com',

'Referer':'http://www.xicidaili.com/nn/3',

'Upgrade-Insecure-Requests':'1',

}

html = get_page(start_url, options=headers)

if html:

find_trs = re.compile('

(.*?)', re.S)

trs = find_trs.findall(html)

for tr in trs:

find_ip = re.compile('

(\d+\.\d+\.\d+\.\d+)')

re_ip_address = find_ip.findall(tr)

find_port = re.compile('

(\d+)')

re_port = find_port.findall(tr)

for address,port in zip(re_ip_address, re_port):

address_port = address+':'+port

yield address_port.replace(' ','')

def crawl_ip3366(self):

for i in range(1, 4):

start_url = 'http://www.ip3366.net/?stype=1&page={}'.format(i)

html = get_page(start_url)

if html:

find_tr = re.compile('

(.*?)', re.S)

trs = find_tr.findall(html)

for s in range(1, len(trs)):

find_ip = re.compile('

(\d+\.\d+\.\d+\.\d+)')

re_ip_address = find_ip.findall(trs[s])

find_port = re.compile('

(\d+)')

re_port = find_port.findall(trs[s])

for address,port in zip(re_ip_address, re_port):

address_port = address+':'+port

yield address_port.replace(' ','')

def crawl_kuaidaili(self):

for i in range(1, 4):

start_url = 'http://www.kuaidaili.com/free/inha/{}/'.format(i)

html = get_page(start_url)

if html:

ip_address = re.compile('

(.*?)')

re_ip_address = ip_address.findall(html)

port = re.compile('

(.*?)')

re_port = port.findall(html)

for address,port in zip(re_ip_address, re_port):

address_port = address+':'+port

yield address_port.replace(' ','')

定義了一個(gè) ProxyMetaclass，Crawl 類(lèi)將它設(shè)置為元類(lèi)，元類(lèi)中實(shí)現(xiàn)了 new() 方法，遍歷 attrs 變量即可獲取類(lèi)的所有方法信息，判斷方法名前面是否是 crawl，是則將其加入到 CrawlFunc 屬性中

代理網(wǎng)站的添加非常靈活，不僅可以添加免費(fèi)代理，也可以添加付費(fèi)代理，一些付費(fèi)代理的提取方式類(lèi)似，也通過(guò) Web 的形式獲取再進(jìn)行解析，解析方式可能更加簡(jiǎn)單，如解析純文本或 Json，解析之后以同樣的方式返回，可以自行擴(kuò)展

utils.py

import requests

from requests.exceptions import ConnectionError

base_headers = {

'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.120 Safari/537.36',

'Accept-Encoding': 'gzip, deflate, sdch',

'Accept-Language': 'en-US,en;q=0.9,zh-CN;q=0.8,zh;q=0.7'

}

def get_page(url, options={}):

headers = dict(base_headers, **options)

print('正在抓取', url)

try:

response = requests.get(url, headers=headers)

print('抓取成功', url, response.status_code)

if response.status_code == 200:

return response.text

except ConnectionError:

print('抓取失敗', url)

return None

抓取網(wǎng)頁(yè)內(nèi)容的方法，訪問(wèn)鏈接成功后返回整個(gè)網(wǎng)頁(yè) HTML 內(nèi)容，便于后續(xù)對(duì)網(wǎng)頁(yè)具體內(nèi)容的提取。封裝成一個(gè)方法，讓上面的 crawler 在抓取各個(gè)網(wǎng)站時(shí)調(diào)用

進(jìn)行抓取

getter.py

from crawler import Crawler

from setting import *

import sys

class Getter():

def __init__(self):

self.crawler = Crawler()

def run(self):

print('獲取器開(kāi)始執(zhí)行')

for callback_label in range(self.crawler.__CrawlFuncCount__):

callback = self.crawler.__CrawlFunc__[callback_label]

# 獲取代理

all_ip = self.crawler.get_proxies(callback)

if __name__ == '__main__':

get = Getter()

get.run()

運(yùn)行結(jié)果：

網(wǎng)站上的免費(fèi) IP 就被成功抓取下來(lái)了，至于能不能用，就有待驗(yàn)證了

整個(gè)過(guò)程其實(shí)就是一個(gè)普通的爬蟲(chóng)，而且沒(méi)什么反爬措施，能到用代理 IP 的地步，代碼里面的訪問(wèn)、抓取部分的細(xì)節(jié)應(yīng)該都看得懂

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來(lái)咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的获得代理ippython_Python搭建代理IP池实现获取IP的方法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。